MétaCan
Menu
Retour à la cohorte
Enregistrement W2743278224 · doi:10.2196/mhealth.7816

Improving Patient-Centered Care for Young People in General Practice With a Codesigned Screening App: Mixed Methods Study

2017· article· en· W2743278224 sur OpenAlexvenueno aff
Marianne Webb, Greg Wadley, Lena Sanci

Notice bibliographique

RevueJMIR mhealth and uhealth · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesYoung and Well Cooperative Research Centre
Mots-clésIntervention (counseling)Mental healthMedicineFamily medicineFocus groupHealth careUsabilityNursingPsychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Despite experiencing a high prevalence and co-occurrence of mental health disorders and health-compromising behaviors, young people tend not to seek professional help for these concerns. However, they do regularly attend primary care, making primary care providers ideally situated to identify and discuss mental health and lifestyle issues as part of young people's routine health care. OBJECTIVE: The aim was to investigate whether using a codesigned health and lifestyle-screening app, Check Up GP, in general practice influenced young people's assessment of the quality of their care (measures of patient-centered care and youth friendliness), and their disclosure of sensitive issues. In addition, this study aimed to explore young people's acceptance and experience of using a screening app during regular health care. METHODS: This was a mixed methods implementation study of Check Up GP with young people aged 14 to 25 years attending a general practice clinic in urban Melbourne, Australia. A 1-month treatment-as-usual group was compared to a 2-month intervention group in which young people and their general practitioners (GPs) used Check Up GP. Young people in both groups completed an exit survey immediately after their consultation about disclosure, patient-centered and youth-friendly care, and judgment. In addition, participants in the intervention group were surveyed about app acceptability and usability and their willingness to use it again. Semistructured interviews with participants in the intervention group expanded on themes covered in the survey. RESULTS: The exit survey was completed by 30 young people in the treatment-as-usual group and 85 young people in the intervention group. Young people using Check Up GP reported greater disclosure of health issues (P<.001), and rated their GP higher in patient-centered care: communication and partnership (P=.01), personal relationship (P=.01), health promotion (P=.03), and interest in effect on life (P<.001). No differences were found on core indicators of youth-friendly care: trust, level of comfort, expectations met, and time to ask questions. In all, 86% (73/85) of young people felt the app was a "good idea" and only 1% (1/85) thought it a "bad idea." Thematic analysis of qualitative interviews with 14 participants found that Check Up GP created scope to address unmet health needs and increased sense of preparedness, with use moderated by honesty, motivation, app content and functionality, and app administration. CONCLUSIONS: Integrating a health and lifestyle-screening app into face-to-face care can enrich young people's experience of seeing their GP, create scope to identify and address unmet health needs, and increase patient-centered care. Further research is needed to investigate the effect of using a health and lifestyle-screening app in a diverse range of clinic types and settings, and with a diverse range of GPs and youth.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,676
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0070,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,092
Tête enseignante GPT0,511
Écart entre enseignants0,419 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations92
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207